💡 Ví dụ hoạt động đầy đủ có trên GitHub:
sanitize-office-document-pii-python

Dữ liệu mà không ai xem xét trước khi nhấn Gửi

Một báo cáo hội đồng hàng quý được gửi tới kiểm toán viên bên ngoài. Văn bản không có lỗi; ba vòng kiểm duyệt đã đảm bảo điều đó. Tuy nhiên, tệp tin lại là một câu chuyện khác. Các thuộc tính của nó vẫn chứa tên nhà phân tích soạn thảo, người quản lý đã chỉnh sửa, công ty con sở hữu mẫu, dấu thời gian LastPrinted từ đêm trước hạn chót, và ID người phê duyệt trên SharePoint từ quy trình phê duyệt nội bộ. Tất cả những thông tin này không xuất hiện trên bất kỳ trang nào. Chúng đi cùng tệp tin.

Việc loại bỏ PII là một quy trình của GroupDocs.Metadata cho Python thông qua .NET, giúp xóa các thuộc tính mang thông tin nhận dạng này khỏi các tệp Word, Excel và PowerPoint một cách lập trình. Bài viết này so sánh ba cách tiếp cận mà API cung cấp: loại bỏ dựa trên thẻ cho các trường nhận dạng, loại bỏ dựa trên mẫu tên cho các họ thuộc tính như bình luận và phiên bản, và phương thức một lần gọi sanitize() để xóa mọi thứ. Bạn cũng sẽ thấy bước mà hầu hết các script làm sạch thường bỏ qua — một lần quét xác minh chứng minh việc dọn dẹp thực sự đã diễn ra.

Tại sao Metadata PII xứng đáng có một quy trình riêng

Các công cụ kiểm tra nội dung chỉ xem xét những gì người dùng đọc. Chúng không kiểm tra những gì hệ thống tệp lưu trữ, và khoảng trống này là nguồn gốc của các sự cố tuân thủ. Một yêu cầu GDPR bao gồm dữ liệu cá nhân trong các trường Author và Manager cũng như dữ liệu trong văn bản. Việc khám phá pháp lý đọc các bộ đếm phiên bản và tổng thời gian chỉnh sửa để tái tạo quá trình đàm phán của một bản đề xuất. Các nhà đánh giá hồ sơ thầu có thể vẽ sơ đồ cấu trúc tổ chức của bạn từ các thuộc tính quy trình làm việc trên SharePoint, và các trường bình luận của thông cáo báo chí lưu lại tên người đánh giá cùng với các ghi chú ở giai đoạn nháp. Mỗi mục đều là một phát hiện. Không có gì trong số chúng hiển thị trong phần thân tài liệu.

Yêu cầu trước

Trước khi bắt đầu, hãy chắc chắn rằng bạn có:

  • Python 3 cùng pip
  • GroupDocs.Metadata cho Python thông qua .NET, được cố định ở phiên bản 26.5 trong kho mẫu
  • Một tệp Office có các thuộc tính thực để thực hành

Cài đặt

pip install groupdocs-metadata-net==26.5

Kho phụ trợ cung cấp một tệp DOCX mẫu và chạy mọi đoạn mã dưới đây như một quy trình đã được khẳng định.

Phương pháp 1: Loại bỏ Nhận dạng Dựa trên Thẻ

Bốn trường nhạy cảm nhất — Author, LastSavedBy, Manager và Company — có các tên nội bộ khác nhau tùy định dạng Office. Hệ thống thẻ giải quyết vấn đề này: thay vì đặt tên thuộc tính, biểu thức kiểm tra yêu cầu mọi thứ được gắn thẻ là người hoặc công ty.

# Match identity properties by meaning, not by format-specific name
with Metadata("board-report.docx") as metadata:
    removed = metadata.remove_properties(lambda p:
        Tags.person.creator in list(p.tags)     # Author, LastSavedBy
        or Tags.person.editor in list(p.tags)
        or Tags.person.manager in list(p.tags)
        or Tags.corporate.company in list(p.tags))
    metadata.save("board-report-clean.docx")

print(f"{removed} identity properties removed")

Các điểm chính:

  • Độc lập định dạng: cùng một lambda làm sạch DOCX, XLSX và PPTX vì thẻ phân loại theo vai trò.
  • Kết quả đếm được: remove_properties trả về số lượng thuộc tính khớp, nên ghi lại trong nhật ký kiểm toán của bạn.
  • Nguyên tắc sao chép: lưu vào đường dẫn mới giữ nguyên bản gốc cho hồ sơ.

💡 Mẹo: lần chạy này giữ lại Title, Subject và các trường mô tả khác, vì vậy tệp vẫn thân thiện với tìm kiếm và chỉ mục DMS.

Phương pháp 2: Loại bỏ Dựa trên Mẫu Tên cho Các Họ Thuộc Tính

Thẻ bao phủ các khái niệm đã được phân loại. Tuy nhiên, các họ trường rò rỉ nằm ngoài phân loại đó: thuộc tính bình luận, bộ đếm phiên bản, dấu thời gian quy trình SharePoint. Đối với chúng, hãy khớp dựa trên tên thuộc tính.

# Comment fields often live in custom properties the tag system
# does not classify, so match them by name substring
with Metadata("board-report.docx") as metadata:
    removed = metadata.remove_properties(lambda p:
        p.name is not None and (
            "Comment" in p.name
            or "Reviewer" in p.name
            or "Reviewed" in p.name))
    metadata.save("board-report-no-comments.docx")

Cấu trúc tương tự áp dụng cho hai họ còn lại; chỉ danh sách các chuỗi con thay đổi:

Họ Các chuỗi con cần khớp
Dấu vết phiên bản Revision, TrackedChange, LastPrinted, TotalEditingTime, EditTime
Máy chủ / quy trình Server, Workflow, Approver, ContentType, Template

Cách này đổi lại độ chính xác để mở rộng phạm vi: "Comment" cũng bắt Comments và CommentCount, thường là những gì một lần làm sạch muốn. Các chuỗi con rộng có thể khớp với các trường mẫu vô hại, vì vậy hãy kiểm tra số lượng trả về so với mong đợi.

💡 Mẹo: chạy mỗi họ như một lần xử lý riêng khi nhật ký kiểm toán của bạn cần đếm theo danh mục; hợp nhất các chuỗi con vào một biểu thức khi không cần.

Phương pháp 3: Gọi Một Lần Đầy Đủ sanitize()

Khi tệp đang rời khỏi tổ chức và không có gì trong lớp metadata được phép tồn tại, hãy bỏ qua việc viết các biểu thức kiểm tra.

# One call, every detected metadata package
with Metadata("board-report.docx") as metadata:
    removed = metadata.sanitize()
    metadata.save("board-report-final.docx")

print(f"sanitize() removed {removed} properties")

sanitize() xóa mọi gói metadata mà thư viện phát hiện: các trường thông tin tài liệu mang nhận dạng, bình luận, lịch sử phiên bản, tác giả thay đổi được theo dõi, và các phần OOXML tùy chỉnh. Hành vi này được mô tả trên trang Clean metadata. Sức mạnh của nó cũng là nhược điểm: Title và Subject biến mất cùng với PII, vì vậy nên dùng ở cổng xuất khẩu thay vì trong quy trình cộng tác giữa chừng.

Tôi có cần cả bốn lần xử lý mục tiêu không?

Không. Mỗi lần xử lý tồn tại vì một nhóm khác nhau chịu trách nhiệm rủi ro. Các trường nhận dạng làm phiền các nhân viên bảo mật, chuỗi bình luận làm phiền pháp lý, bộ đếm phiên bản làm phiền các nhà đàm phán, và các trường máy chủ làm phiền an ninh. Hãy chạy các lần xử lý tương ứng với những người đánh giá của bạn, theo bất kỳ thứ tự nào, vì mỗi lần đều ghi ra bản sao riêng. Khi không ai cần giữ lại bất kỳ trường nào, hãy bỏ qua và gọi trực tiếp sanitize() rồi xác minh.

So sánh Ba Cách Tiếp Cận

Phương pháp Thích hợp cho Ưu điểm chính Hạn chế
Loại bỏ dựa trên thẻ Bản sao làm việc, quy trình đa định dạng Độc lập định dạng, giữ các trường mô tả Chỉ bao phủ các khái niệm đã được gắn thẻ
Loại bỏ dựa trên mẫu tên Bình luận, phiên bản, trường máy chủ Tiếp cận được các thuộc tính tùy chỉnh mà thẻ bỏ lỡ Cần tinh chỉnh chuỗi con cho môi trường
sanitize() toàn diện Xuất khẩu cuối cùng ra ngoài tổ chức Không thể bỏ sót thuộc tính nào Xóa cả các trường vô hại

Các cách tiếp cận này có thể kết hợp một cách tự nhiên: các lần xử lý mục tiêu khi tài liệu còn đang hoạt động, sanitize() khi tài liệu được gửi đi.

Xác Minh Trước Khi Tin Cậy

Một lời gọi loại bỏ trả về số lượng không đồng nghĩa với việc tệp đã sạch. Kho lưu trữ kết thúc mỗi lần chạy bằng cách mở lại tệp đã làm sạch và quét nó bằng find_properties, sử dụng một biểu thức kết hợp các quy tắc thẻ và tên từ tất cả các lần xử lý ở trên.

def is_pii(p):
    if p.name is None:
        return False
    return (
        Tags.person.creator in list(p.tags)
        or Tags.person.editor in list(p.tags)
        or Tags.person.manager in list(p.tags)
        or Tags.corporate.company in list(p.tags)
        or any(n in p.name for n in (
            "Comment", "Reviewer", "Revision", "TrackedChange",
            "Classification", "Department", "Server", "Workflow")))

with Metadata("board-report-final.docx") as metadata:
    for p in metadata.find_properties(is_pii):
        value = (str(p.interpreted_value) if p.interpreted_value is not None
                 else (str(p.value) if p.value is not None else ""))
        if value and value not in ("0", "0.0"):
            print(f"LEAK {p.name}={value}")

Phiên bản đầy đủ trong kho sắp xếp các trường còn lại thành hai nhóm, và sự phân biệt này quan trọng. Rò rỉ metadata phải bằng không. Các dư lượng ở mức nội dung — bóng thoại bình luận Word và các thay đổi được theo dõi trong word/document.xml — là nội dung thân tài liệu mà API metadata không thể chạm tới; việc loại bỏ chúng đòi hỏi một thư viện chỉnh sửa nội dung như Aspose.Words. Một báo cáo trung thực sẽ liệt kê cả hai nhóm thay vì tuyên bố chiến thắng chỉ sau bước đầu. Lần đầu tiên tôi chạy quét này trên một tệp “sạch”, nó đã phát hiện một trường Department mà một mẫu công ty đã âm thầm thêm vào trong nhiều tháng.

Thực Hành Tốt và Mẹo

  • Làm sạch bản sao, không phải bản gốc: mọi đoạn mã ở đây đều ghi vào một đường dẫn mới, giữ nguyên nguồn cho hồ sơ và quy tắc lưu trữ của bạn.
  • Ghi lại số lượng: các giá trị trả về của remove_properties và sanitize() là vết audit của bạn. Lưu chúng theo tệp, theo lần xử lý.
  • Nhúng xác minh vào CI: một kiểm tra rò rỉ khiến build thất bại sẽ bắt các lỗi mẫu ngay khi chúng xuất hiện, không phải khi khách hàng phát hiện.
  • Chú ý ranh giới metadata/nội dung: không bao giờ báo cáo tệp sạch khi còn lại các bình luận ở mức thân; hãy đưa chúng vào một phát hiện riêng.
  • Giấy phép: chế độ đánh giá tái tạo mọi thứ trong bài viết này; hãy sử dụng giấy phép trong môi trường sản xuất để không có dấu hiệu đánh giá xuất hiện trên các tệp gửi đi.

Kết luận

Ba cách tiếp cận, một quy tắc quyết định. Dùng thẻ khi khái niệm đã được phân loại và tệp cần vẫn hữu dụng. Dùng tên khi họ thuộc tính nằm trong các thuộc tính tùy chỉnh. Gọi sanitize() khi tệp vượt qua ranh giới tin cậy, và xác minh bằng một lần quét đọc lại bất kể bạn đã chọn con đường nào.

Sẵn sàng đi sâu hơn? Dưới đây là một số bước tiếp theo:

Tài Nguyên Bổ Sung

Có câu hỏi hoặc muốn chia sẻ cách triển khai của bạn? Hãy liên hệ qua support forum.